Forschungsverbund Neuronale Fuzzy-Logik NRWForschungsschwerpunkt Fuzzy-Technologien in der MFH-Iserlohn

DFMRSJahrestagung 2001

(7. DFMRS Jahrestagung)Bremen, 15./16. November 2001

Trainierbarer Neuro-PID-Regler für hohe Regelgüte

Ulrich Lehmann, Johannes Brenig, Stefan Dormeier, Hermann Johannes, Udo Reitz

MFH Iserlohn (FH Südwestfalen), FH BielefeldTel.: (0049) -(0)2371/566- (0) -180, Fax.: (0049) -(0)2371/36564,

Kontaktaufnahme per E-Mail: nfl@wwwfbp.mfh-iserlohn.dewww.mfh-iserlohn.de/Verbunde/NFL

Märkische Fachhochschule

Iserlohn und Hagen

University of Applied Sciencse

Forschungsverbund Neuronale Fuzzy-Logik NRWForschungsschwerpunkt Fuzzy-Technologien in der MFH-Iserlohn

Übersicht / Gliederung

• Ziele des Projektes• Kooperation im Verbund• nichtlineare, zeitvariante Regelstrecke• Architektur Neuro-PID-Regler• Modell der Temperaturregelung• Training des KNN• Test des Reglers• Portierung auf Zielhardware• Ergebnisse• Kooperation mit KMU• Ausblick

Forschungsverbund Neuronale Fuzzy-Logik NRWForschungsschwerpunkt Fuzzy-Technologien in der MFH-Iserlohn

Ziele des Projektes

• adaptive Regelung von zeitvarianten, nichtlinearen Regelstrecken mit hoher Regelgüte

• trainierbare Adaption• Vorgabe der Regelgüte durch den Anwender

• transparente Gütekriterien xm, Tan, Taus, Toleranzband für xd

• Produkt- und Verfahrensinnovation zur Verbesserung der Prozessgüte bei schwankenden Streckenparametern

• Technologietransfer in kleine und mittlere Unternehmen

Forschungsverbund Neuronale Fuzzy-Logik NRWForschungsschwerpunkt Fuzzy-Technologien in der MFH-Iserlohn

Kooperation im Forschungsverbund

FH BielefeldFH GelsenkirchenMFH IserlohnFH Münster

FH BochumFH KölnFH Köln Abt. Gummersbach

Neuro-Fuzzy-Regler

FH GelsenkirchenMFH Iserlohn Abt. Hagen

Data Mining

MustererkennungIdentifikation

Adaption

Anwendungsfeld:

Kunststoff-verarbeitungs-maschine

FH Bielefeld

Anwendungsfeld:

Gebäude- automation

Algorithmen

Prof. S. Dormeier

FH MünsterProf. E. Weiner

MFH IserlohnProf. U. Lehmann

Prof. M. Büchel

FH Gelsenkirchen

Kooperation innerhalb der Arbeitsgruppe

ReglerentwurfPortierungHardware

Forschungsverbund Neuronale Fuzzy-Logik NRWForschungsschwerpunkt Fuzzy-Technologien in der MFH-Iserlohn

Neuro-Fuzzy-Regler

Forschungsverbund Neuronale Fuzzy-Logik NRWForschungsschwerpunkt Fuzzy-Technologien in der MFH-Iserlohn

Analyse der Regelstrecke(Nichtlinearität der Regelstrecke)

x(t),C t, min 0 5 10 15 20 25 30 35 40 45 50

0

5

10

15

20

lineares System nichtlineares System

Forschungsverbund Neuronale Fuzzy-Logik NRWForschungsschwerpunkt Fuzzy-Technologien in der MFH-Iserlohn

Analyse der Regelstrecke(Zeitvarianz der Regelstrecke)

0 5 10 15 20 25 30 35 40 45 50 0

5

10

15

20

25

t ,min

x(t) ,°C

1: optimaler Verlauf

2: Ks = +40, T1 = +20

3: Ks = +40, T1 = -20

4: Ks = -40, T1 = -20

5: Ks = -40, T1 = +20

1

2 3

4

5

Forschungsverbund Neuronale Fuzzy-Logik NRWForschungsschwerpunkt Fuzzy-Technologien in der MFH-Iserlohn

Neuro-PID-Regler

w(t)

Forschungsverbund Neuronale Fuzzy-Logik NRWForschungsschwerpunkt Fuzzy-Technologien in der MFH-Iserlohn

Modell der Temperaturregelung(PID-Regler mit KNN-Adaption)

Forschungsverbund Neuronale Fuzzy-Logik NRWForschungsschwerpunkt Fuzzy-Technologien in der MFH-Iserlohn

Trainingsdaten für das KNN(Reglerparameter, Regelgüte, Korrekturwerte)

W Kp Tn Tv xm tan taus Ks Kp Tn Tv

20 4,00 1000,00 50,00 4,8834 465,6 1075,9 0,06763 4,67 1168,28 46,81

20 4,00 1000,00 50,00 7,3300 395,2 940,3 0,07919 4,80 1277,98 42,54

20 11,50 1000,00 50,00 27,2901 278,5 853,5 0,05948 -2,26 975,22 43,03

20 11,50 1000,00 50,00 36,0293 258,6 1169,1 0,09247 -2,88 1281,12 36,47

20 11,50 1800,00 50,00 29,2783 263,3 1114,6 0,09034 -2,88 481,12 36,47

20 19,00 1800,00 50,00 33,9736 275,9 1051,6 0,08380 -7,83 473,3 35,86

20 19,00 2600,00 50,00 31,2573 277,4 1046,5 0,06675 -9,93 -326,70 35,86

...                    

20 8,22 2342,36 95,39 -0,16 688,30 688,30 0,06 0 0 0

...                    

Forschungsverbund Neuronale Fuzzy-Logik NRWForschungsschwerpunkt Fuzzy-Technologien in der MFH-Iserlohn

Sprungantworten für verschiedene Ks und T1Regler adaptiert

Forschungsverbund Neuronale Fuzzy-Logik NRWForschungsschwerpunkt Fuzzy-Technologien in der MFH-Iserlohn

PID Regler mit und ohne Adaption

0 1 2 3 4 5 6 7 8 9 10 t / s * 10 3

0

5

10

15

20

25

30 x / °C

Toleranzband Toleranzband mit KNN ohne KNN

Forschungsverbund Neuronale Fuzzy-Logik NRWForschungsschwerpunkt Fuzzy-Technologien in der MFH-Iserlohn

Adaptionsschritte für KR

0

10

20

30

40

50

600

50

0

10

00

15

00

20

00

25

00

30

00

35

00

40

00

45

00

50

00

55

00

60

00

65

00

70

00

75

00

80

00

85

00

90

00

95

00

10

00

0

Zeit t in s

Ve

rstä

rku

ng

Kr xm

KS

Tan

Taus

KR

TN

TV

xm

KS

Tan

Taus

KR

TN

TV

Forschungsverbund Neuronale Fuzzy-Logik NRWForschungsschwerpunkt Fuzzy-Technologien in der MFH-Iserlohn

Adaptionsschritte für TN

0

500

1000

1500

2000

25000

50

0

10

00

15

00

20

00

25

00

30

00

35

00

40

00

45

00

50

00

55

00

60

00

65

00

70

00

75

00

80

00

85

00

90

00

95

00

10

00

0

Zeit t in s

Na

chst

ellz

eit

Tn

in s

Forschungsverbund Neuronale Fuzzy-Logik NRWForschungsschwerpunkt Fuzzy-Technologien in der MFH-Iserlohn

Adaptionsschritte für Tv

0

20

40

60

80

100

1200

50

0

10

00

15

00

20

00

25

00

30

00

35

00

40

00

45

00

50

00

55

00

60

00

65

00

70

00

75

00

80

00

85

00

90

00

95

00

10

00

0

Zeit t in s

Vo

rha

lteze

it T

v in

s

Portierung auf Zielhardware

Forschungsverbund Neuronale Fuzzy-Logik NRWForschungsschwerpunkt Fuzzy-Technologien in der MFH-Iserlohn

Ergebnisse

• trainierbarer Regler• gute Adaption an zeitvariante und/oder nichtlineare

Regelstrecken

• anwendernahe Gütekriterien xm, Tan, Taus vorgebbar

• gute Notlaufeigenschaften des PID-Reglers• Präsentation von Zwischenergebnissen auf der

INTERKAMA 1999• lauffähig auf Industrie PC• lauffähig auf SPS S7-400

Forschungsverbund Neuronale Fuzzy-Logik NRWForschungsschwerpunkt Fuzzy-Technologien in der MFH-Iserlohn

Kooperationspartner: KMU

Forschungsverbund Neuronale Fuzzy-Logik NRWForschungsschwerpunkt Fuzzy-Technologien in der MFH-Iserlohn

Ausblick

• Speicherung der Regelgüte- und Regler-Parameter in historischer Datenbank

• Training des KNN im laufenden Betrieb• Portierung auf Industrieregler auf Mikrocontroller-Basis

(μC)• Evolutionäre Optimierung des PID-Reglers bei Bedarf

Forschungsverbund Neuronale Fuzzy-Logik NRWForschungsschwerpunkt Fuzzy-Technologien in der MFH-Iserlohn

Fragen?

Fragen Sie bitte!

Kontaktaufnahme: lehmann@mfh-iserlohn.de

www.mfh-iserlohn.de/Verbunde/NFL

Forschungsverbund Neuronale Fuzzy-Logik NRWForschungsschwerpunkt Fuzzy-Technologien in der MFH-Iserlohn

Ende

Vielen Dank für Ihr Interesse!

Kontaktaufnahme: lehmann@mfh-iserlohn.de

www.mfh-iserlohn.de/Verbunde/NFL

Forschungsverbund Neuronale Fuzzy-Logik NRWForschungsschwerpunkt Fuzzy-Technologien in der MFH-Iserlohn

lehmann@mfh-iserlohn.de

Forschungsverbund Neuronale Fuzzy-Logik der Fachhochschulen in Nordrhein-Westfalennfl 23

Kooperationspartner: KMU und Industrie

Forschungsverbund Neuronale Fuzzy-Logik der Fachhochschulen in Nordrhein-Westfalennfl 24

Kooperationspartner: Industrie

Return to 8

Forschungsverbund Neuronale Fuzzy-Logik NRWForschungsschwerpunkt Fuzzy-Technologien in der MFH-Iserlohn

Portierung auf Zielhardware

Entwicklungssystem Zielsystem

Portierung auf Zielhardware

Forschungsverbund Neuronale Fuzzy-Logik NRWForschungsschwerpunkt Fuzzy-Technologien in der MFH-Iserlohn

Neuro-PID-Regler

w(t)